抡锤者

他们搞万物皆插件 不就是想把生态炒热 估计过一段时间 插件出现分层就好了 对于核心 目前没想法 昨天晚上gpt订阅不够 用v4 pro写了会rust 一言难尽 体感白天和晚上质量差距还挺大的

flash目前来看是真的爽 我有个微调的任务 挂了一天才3块钱 而且完成的比我自己搞好不少

@stxpnet 例如图表测试能够正确返回 BETA, 7，视频测试能够识别出画面中的验证码 8642 你说的实际问题还想问啥 我自己跑下给你结果就行 不麻烦
上下文方面
| 实际提示长度 | 验证位置 | 结果 | 预填充速度 |
| 32,748 token | 50% | 通过 | 356.1 token/s |
| 65,544 token | 8%、91% | 通过 | 350.1 token/s |
| 119,998 token | 4%、50%、96% | 通过 | 346.2 token/s |
速度反正能用 不吹玄学：120K 提示在测试机上预填充约 346.6 秒。128K 是需要的时候真能用，但是长上下文肯定没有那么流畅。不过咱们自己用不需要那么长吧，我自己上下文都是通过agent挂rag或者路由知识网解决。

@williamlouis 必须落实

抡锤的大家都不是小白 就不废话了


真机演示视频（实际速度）在：https://live.csdn.net/v/539144?spm=1001.2014.3001.5501
我自己的电脑配置：

• RTX 4070 Laptop，8GB 显存
• Intel i7-14650HX
• 32GB 内存
• Windows 11
  模型是 Qwen3.6-35B-A3B 的 Q4_K_M GGUF 版本，使用官方 llama.cpp CUDA 后端。

现在的版本就是完整 35B 模型直接工作。

• 短文本生成约 42.3 token/s

• Thinking 模式约 42.1 token/s
  我把运行需要的东西都装进包里了：

• llama.cpp b10355

• CUDA 12.4 runtime

• cuBLAS

• GGML CPU/CUDA 后端

• Microsoft VC++ 应用本地运行库

• FFmpeg 和 FFprobe

• 完整模型与多模态 projector

• 本地对话 UI
  目标电脑不需要再安装 Python、Node.js、CUDA Toolkit、Visual Studio 或 VC++ Redistributable。

只需要 Windows 10/11、兼容的 NVIDIA 驱动、8GB 级显存和 32GB 内存。

安装过程就是：

1. 使用密码 123 解压安装包。
2. 双击 INSTALL_QWEN35B.bat。
3. 等待模型校验和加载。
4. 浏览器自动打开后输入密码 123。

桌面会自动生成启动、停止和打开对话的快捷方式
UI 可以直接添加：

• 图片
• 视频
• 文本文件

我实际测试了发票 OCR、图表读取、一般图片问答和视频画面识别。

例如图表测试能够正确返回 BETA, 7，视频测试能够识别出画面中的验证码 8642。视频处理使用包内 FFmpeg，不需要用户另外配置。

当前 projector 不支持音频。PDF 和 Office 二进制文件也没有在浏览器端强行乱解析，建议转换成文本或页面图片后再上传。

Thinking 可以开，也可以关

UI 可以选择：

• 自动
• 8K
• 16K
• 32K
• 64K
• 128K

默认建议使用“自动”。短对话不会每次都背着 128K 历史跑，随着会话增长再逐步扩大预算。

可以直接接自己的本地 Agent

服务提供 OpenAI 兼容接口：

Base URL: http://127.0.0.1:8090/v1
API key: 123
Model: qwen35b-local

百度网盘：

https://pan.baidu.com/s/1ff1XmuJTeb_TZa2Q9vVEfw?pwd=auj7

提取码：auj7

完整安装包解压密码：123

UI 登录密码/API Key：123

安装包约 21.82 GiB，请确认磁盘空间，并务必完整解压后再运行安装程序。

@williamlouis 我看了下机制罗 他们那个用的lora 速度不知为啥比我这个不用lora正常20步的还慢不少 视频质量下降已经可以看出来了 还是再等等官方的蒸馏版吧

1.在 ref2va 模式下，关键帧（Keyframes）和参考媒体（Reference Media）不能混用 检查下工作流，确保没有同时向模型输入 first_frame 或 last_frame 这类关键帧数据。一旦混用，ref_video 可能会被模型忽略 2.ref2va 模式下对音频识别有点问题 你把视频音频去掉试试？

原网盘文件夹我做了一个248帧的补丁 增加了几个常用工作流模板 setup.exe文件 需要的请自取

版本：2026-08-08.1

本补丁只更新 ComfyUI 节点、工作流、启动脚本和说明文件，不包含模型、Python 或 CUDA 依赖，安装包体积很小。

适用对象：此前发布的 MiniMax H3 一键便携包（项目根目录包含 ComfyUI\main.py、workflows 和 启动ComfyUI.bat）。

1. 本次改动和工作流

• 修复 H3 帧数输入：允许输入任意整数，模型自动对齐到 17k+5。例如 248 -> 260 帧。
• 启动ComfyUI.bat 固定使用 --lowvram，不启用普通 VRAM 模式。
• TeaCache 保留 124 帧原有速度/画质默认行为，并修复连续运行时继承上次缓存状态的问题。
• TeaCache 增加可选音频守门参数：音频分段漂移检查、连续复用上限和 audio_guard。124 帧默认不启用保守守门，以保持原来的 2–3 分钟速度。
• 增加/修复以下工作流：
  • workflows\minimax_h3_t2v_8g加速.json：124 帧、带声音的默认工作流。
  • workflows\minimax_h3_t2v_248f_低显存无声.json：248 帧测试工作流，默认断开音频输出。
  • workflows\minimax_h3_i2v_first_last.json：单图生视频、首尾帧生视频。
  • workflows\minimax_h3_r2v_multi_image.json：多图片参考生视频，需要额外的 Ref2VA 主模型。

使用方法

1. 启动 ComfyUI 后，把对应 JSON 拖入页面。
2. 124 帧工作流中修改正向提示词，提示词同时描述画面和声音，例如 servo whine, hydraulic movement, metallic impacts, no dialogue。
3. 图生视频工作流只连接第一张图就是普通图生视频；同时连接首帧和尾帧就是首尾帧过渡。
4. 多图参考工作流按连接顺序使用 <Picture 1>、<Picture 2> 等标签。
5. 仍然使用 20 步、832×480 起步；启动方式保持低显存模式。

2. 248 帧声音问题

H3 在 24fps 下会把输入 248 对齐成 260 帧，实际时长约 10.83 秒。当前 TeaCache 会复用视频和音频的联合输出：

设置	实测耗时	结果
260 帧，TeaCache 开启	492.40 秒	画面正常，声音异常
260 帧，TeaCache 关闭、20 步全实算	983 秒	画面和声音正常
124 帧，原默认 TeaCache	约 150 秒	480p 约 2–3 分钟，声音正常

因此：

• 248 帧默认不要开声音，使用 minimax_h3_t2v_248f_低显存无声.json。
• 248 帧确实需要原生声音时，必须关闭 TeaCache：将 rel_l1_thresh 设为 0，或将 max_reuse_steps 设为 0。这会让 20 步全部实算，耗时明显增加。
• 不要把两个独立生成的 124 帧音频直接拼接到一条 260 帧视频上，声音事件无法保证和画面联合同步。

3. 如何打补丁

图形安装

1. 完全关闭 ComfyUI（包括后台 Python 进程）。
2. 双击 MiniMaxH3_Patch_Setup_2026-08-08.exe。
   安装器没有商业代码签名证书；若 Windows SmartScreen 提示未知发布者，请先核对补丁包内的 SHA256，再选择“更多信息 → 仍要运行”。
3. 选择项目根目录，也就是包含 ComfyUI\main.py 的目录，例如 E:\MiniMaxH3。
4. 勾选“我已关闭 ComfyUI”，点击“安装补丁”。
5. 安装器会先把旧文件备份到：
   项目根目录\patch_backups\MiniMaxH3_patch_版本_时间戳\
6. 看到“补丁安装完成”后，重新双击 启动ComfyUI.bat。启动脚本会继续使用 --lowvram。

命令行安装（可选）

MiniMaxH3_Patch_Setup_2026-08-08.exe --target E:\MiniMaxH3 --quiet

回滚

安装器不会删除模型。需要回滚时，关闭 ComfyUI，把最近一次 patch_backups 子目录中的文件复制回项目根目录即可；安装报告保存在项目根目录的 patch_install_report.json。

补丁不修改 models 目录，也不需要重新安装依赖。安装完成后如果页面仍显示旧节点，重启 ComfyUI 即可。

@Botio-Kuo 还在那个网盘里 我新建了一个工作流文件夹

https://live.csdn.net/v/538773
https://live.csdn.net/v/538774

我的配置，你对号入座
先看看咱俩是不是一个赛道的。我的机器是RTX 4070 Laptop（8G显存），内存32GB，系统是Windows。按理说这配置在炼丹圈属于“低保户”，但事实证明完全够用。只要你显卡是8G显存（比如4060、4070笔记本或桌面卡），内存有32G，这篇教程就可以直接抄。

先看疗效，再说怎么吃
我知道你们最关心速度，直接上干货（都是我机器上实跑的数据）：

裸跑（啥优化没有）：生成一段832x480的5秒视频，每步耗时18秒，总共干了6分钟。这时候确实慢得想砸电脑，别急，这是8G显存被20多G的模型逼着“换层”的正常现象。

优化拉满（抄我作业后）：同样的分辨率，直接干到2分30秒整段出片。你没看错，从6分钟压到2分半。

如果贪心点想跑1080P（1024x576）：时间会涨到大概9分钟，画质确实好，但建议偶尔玩玩，平时还是用480p图个快。

提速三板斧（这才是核心）
网上优化教程一大堆，大部分都是瞎扯。我实测下来，真正有用的就这三板斧，按收益排序，第一招不搞，后面全白搭。

第一招（最大杀器）：换torch cu130 + comfy-kitchen
这个你们可能看不懂，直接抄命令就行。原理就是让显卡走硬件反量化，不然就是软件在那瞎算，一步17秒死活下不来。这一条不做，后面的TeaCache和SageAttention都是摆设。

第二招（白捡三倍速）：挂上MiniMaxH3 TeaCache
这玩意儿纯Python写的，不修改核心文件，安全又稳。你就把它当成一个插件，一头插在模型加载器上，另一头插在采样器前面就行。作者实测从306秒干到102秒，咱们8G卡收益更大。

第三招（锦上添花）：SageAttention 1.0.6
注意！这里有个血泪教训：千万锁死1.0.6版本，千万别手贱升级到2.2.0，否则直接CUDA崩溃给你看。Windows用户还需要装个triton-windows，不然跑不起来。

整个加速链路的连接顺序我给你们摆出来了，照着连：

UNETLoader → PatchSageAttentionKJ(auto) → MiniMaxH3 TeaCache → SigmaShift(12/3) → KSampler → DecodeAndSaveVideo

模型怎么选？直接说我的组合
模型选不对，8G显存直接爆。我试了一堆组合，这套是速度和画质的黄金平衡点：

主模型：一定要下那个带pruned_int8_convrot后缀的，大小大概19.5GB。别下66G的BF16原版，那不是咱这配置该想的事。

文本编码器：选nvfp4_awq这个版本，14.6GB，专门给40系显卡优化的。

VAE：视频用fp16，音频用fp32，别问为什么，抄就完了。

这套组合拳打下来，模型精度肉眼几乎看不出来损失，但显存从60G+被干到了21G，8G卡就能塞进去跑。

懒人专用：一键便携包（解压即用）
我知道你们看到装环境、敲命令行就头疼。我把整个项目——包括Python运行环境、ComfyUI、上面的模型、所有加速节点——全部打成了一个自包含包。

你只需要三步：

下载我扔网盘里的压缩包（密码123）。

解压到任意盘（建议D盘或E盘，路径别带中文）。

双击首次使用-修复路径.bat，等它跑完；然后双击启动ComfyUI.bat。

浏览器打开http://127.0.0.1:8188，把工作流文件夹里的minimax_h3_t2v_8g加速.json拖进去，改改提示词，点击“Queue Prompt”就完了。

啥都不用装，解压就能跑。

直接抄作业的参数表
怕你们调不明白，我直接把能稳定出片的参数贴出来，对着填就行：

主模型：minimax_h3_fl2va_pruned_int8_convrot

文本编码器：qwen3vl_32b_minimax_h3_nvfp4_awq

分辨率：想快就填832x480，想画质好点填1024x576（必须是32的倍数）

帧数：124帧（对应24fps，大概5.17秒）

采样步数：固定20步（少于12步音频会爆音，别问怎么知道的）

采样器：euler / 调度器：simple

CFG：1.0 / denoise：1.0

TeaCache参数：rel_l1_thresh设0.15，start设2，end设-2

Sigma Shift：视频填12，音频填3（这俩分开填）

提示词技巧：想要什么画面就写画面描述，想控制声音就在末尾加指令。比如要背景音乐就写“disco music with driving bass”，不要声音就写“No dialogue, no music”。

我踩过的雷，你就别踩了（避坑清单）
最后这点最重要，都是我用时间换来的教训：

缓存节点只选一个！ TeaCache、EasyCache、TE-Speed这些，别贪心叠加，选一个用就行，叠多了不仅不加速还容易崩。

SageAttention锁死1.0.6，这事儿我说三遍。

480p起步，768p封顶。8G卡别一上来就怼1080P，容易抽卡失败，先从480p试水，成功了再往上加。

机械硬盘别碰。模型文件几十G，换层频繁，机械盘会卡到你怀疑人生，必须是固态（NVMe SSD）。

Turbo LoRA先别碰。那玩意儿还是早期实验版，画质偏软，而且需要非剪枝的主模型（+34GB），咱们8G卡带不动。

模型+工作流+一键包下载：https://pan.baidu.com/s/1BWmwQpjkWLeVQ_8DXy91GA?pwd=xidf 密码 xidf

@kos-or 算子分散化 哪怕都是int8也行啊 啥都有点 啥都不行 带宽也不行 它实际上不是一颗芯片连接一块统一的96G显存，而是：310P3芯片0 + 独立显存 310P3芯片1 + 独立显存 310P3的INT8优势主要集中在矩阵乘 不能根据INT8 TOPS简单推算大模型的token生成速度 离开官方图模式 性能会断崖式下降 玩不转啊 所以非华为官方版本 我都懒得试了 估计效果也好不到哪里去

@566656661 没办法 真的限制太多了

已经租云机试过了
华为 Atlas 300I Duo 96G
内部芯片：2 × Ascend 310P3
总显存：96G
实际为两块相互独立的设备内存
单芯片可用显存约43G
双芯片总显存带宽约408 GB/s
软件路线：
vLLM-Ascend
CANN
Qwen3.6-27B W8A8
Tensor Parallel = 2
官方图模式
官方融合算子
权重常驻显存
KV Cache常驻显存
最终稳定结果：
生成速度：约11.01 tokens/s 最快15tokens/s
语义测试：5/5
双芯片运行：正常
服务接口：稳定
显存占用：每颗芯片约35～36G
这个结果已经不是“模型没配好”或者“只跑了一个未经优化的 Python 示例”。
官方 W8A8、图捕获、融合算子、常驻权重和双芯片调度都已经启用。

牛逼牛逼 能赚钱的都是高人 我压根都不敢奢望 除了产片儿以外 完全想不到顺畅一点的变现手段

不求能追上CUDA 只要大概能跑 没有过于忍不了的延迟就行 特别是国内单位 现在都必须全国产 所以这问题早晚得解决

@566656661 CANN社区他们内部开发人员都吐槽 别提了 但是没钱买显卡 这是硬伤

@kos-or 这卡目前来看 除了显存大 貌似就都是骂 没看到社区有夸优点的

@kos-or 其实说白了就是穷的 我就想现在不是升腾的加速卡便宜 看看能不能想办法把不到一万块的96g显存用起来 不求n卡的速度 起码能用就是胜利 一分钱一分货 能用就行

对了 有个老牌子JavPlayer 也可以试试 我也好奇这个和Lada对比怎么样

目前我知道的靠连续扩散算法补充图像的办法应该是可以做到的 但是需要有一个微调的模型 因为本质上不是去掉马赛克 而是在马赛克的基础上进行创作并补齐 所以用本地部署的通用模型 大概率细节上会有些对不上 云端的算力够 但是不知能不能过审